INNOVATION SCOUT · IMPULSPROFIL

AI-Ready Construction: CDE, Datenplattformen und Datenräume

AI-Ready Construction bezeichnet die Fähigkeit, Bau-, Projekt- und Betriebsdaten mit eindeutigem Kontext, geregeltem Zugriff und überprüfbaren Prozessen für verlässliche KI-Anwendungen bereitzustellen und zu betreiben.

Um was geht es bei AI-Ready Construction: CDE, Datenplattformen und Datenräume?

Ein Baustellenfoto, Modellobjekt oder Sensorwert benötigt Projekt-, Orts-, Zeit- und Versionsbezug. Ein Common Data Environment koordiniert Informationsstände; eine Datenplattform verbindet und verarbeitet Bestände; ein Datenraum organisiert Austausch zwischen Beteiligten. DataOps betreut die Datenverarbeitung, MLOps den Modellbetrieb. Welche Bausteine nötig sind, folgt der konkreten Aufgabe.

Quelle 17: Digital Integration in Construction: A Case Study on Common Data Environment Implementation for a Metro Line Project, Fundstelle(n): Abschnitte 2–4; Diskussion Quelle 15: Data Spaces Blueprint 3.0, Fundstelle(n): Data Space Services; Data/Control Plane; Data Models Quelle 9: Building the future of construction analytics: CONXAI’s AI inference on Amazon EKS, Fundstelle(n): Solution overview; Deployment architecture; Architektur Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): 6.2–6.4 Quelle 14: Referencing bSDD in IDS and IFC, Fundstelle(n): IFC/IDS/bSDD Mapping Quelle 21: Towards a sociomaterial theory of interfacing AI data infrastructures, Fundstelle(n): Findings zu metadata/classification; Findings Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): Human-in-the-loop

Einordnung im Impulsradar

Etablierte Informationsprozesse treffen auf konkrete KI-Integrationen und noch erprobte Datenraumansätze. Die Bandbreite reicht von genutzten CDE-Funktionen bis zu Forschungsdemonstratoren. Verlässlichkeit entsteht durch passende Daten, nachvollziehbare Zuordnungen und fachliche Prüfung; ein angeschlossenes System allein garantiert sie nicht.

Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): Abschnitte zur cec-Anwendung und technischem Workflow; cec workflow Quelle 11: Construct-X: Fraunhofer IFF stärkt digitale Zusammenarbeit im Bauwesen, Fundstelle(n): Projektziele und Beiträge Fraunhofer IFF Quelle 12: 8ra at Hannover Messe 2026: Scaling the Multi-Provider Cloud-Edge Continuum, Fundstelle(n): Construct-X demonstration auf Hannover Messe 2026 Quelle 17: Digital Integration in Construction: A Case Study on Common Data Environment Implementation for a Metro Line Project, Fundstelle(n): Methodik S.7–11; Ergebnisse/Diskussion S.12–14; Diskussion Quelle 18: Towards Integrated Planning of Information Exchanges in Construction Production, Fundstelle(n): Abschnitte 3.3, Druckseiten 22–24; 4.2, Druckseiten 31–34; 4.2 Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): B29-Anwendung Quelle 2: Common European data spaces, Fundstelle(n): Strategierahmen Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): Fehleranalyse

Daten bereitstellen, Bedeutung erhalten und Betrieb verantworten

Die Infrastruktur muss nicht selbst lernen, um KI zu ermöglichen. Dateiverwaltung, Freigabestatus und Rechtekontrolle erfüllen überwiegend festgelegte Regeln. Gelernte Verfahren übernehmen beispielsweise Bildklassifikation, semantische Zuordnung oder Prognosen. Die Funktionskette muss erkennen lassen, welchen Teil ein Nachweis tatsächlich abdeckt.

Quelle 17: Digital Integration in Construction: A Case Study on Common Data Environment Implementation for a Metro Line Project, Fundstelle(n): Abschnitte 2–4 Quelle 15: Data Spaces Blueprint 3.0, Fundstelle(n): Data Space Services; Data/Control Plane; Data Models Quelle 9: Building the future of construction analytics: CONXAI’s AI inference on Amazon EKS, Fundstelle(n): Solution overview; Deployment architecture; Solution overview; Model deployment; Scaling and cold start Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): Abschnitte zur cec-Anwendung und technischem Workflow Quelle 13: Information Delivery Specification (IDS), Fundstelle(n): What is IDS?; FAQ und scope Quelle 14: Referencing bSDD in IDS and IFC, Fundstelle(n): Referencing bSDD in IDS and IFC; Mappingtabellen

Eine Schnittstelle transportiert Werte, bestätigt aber nicht ihre Bedeutung. Objektidentität, Einheit, Koordinaten, Gültigkeit und Herkunft müssen zusammenpassen. Unbekannte Zuordnungen brauchen einen sichtbaren Prüfweg. Ein gemeinsames Dateiformat oder formal gültiges Ergebnis reicht dafür nicht aus.

Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): Abschnitte 4.2, 4.5, 5.2 und 6.2–6.4; 6.2–6.4 Quelle 13: Information Delivery Specification (IDS), Fundstelle(n): What is IDS?; FAQ und scope Quelle 14: Referencing bSDD in IDS and IFC, Fundstelle(n): Referencing bSDD in IDS and IFC; Mappingtabellen; IFC/IDS/bSDD Mapping Quelle 21: Towards a sociomaterial theory of interfacing AI data infrastructures, Fundstelle(n): Findings zu metadata/classification

Benannte Beispiele zeigen punktuelle Integration: cec verbindet Baustellenbilder mit Metadaten, Viscan prüft Reality-Daten im B29-Projekt, und Autodesk beschreibt BAM Ireland als Nutzer datenbasierter Risikopriorisierung. Diese Fälle belegen bestimmte Anwendungen. Ihre Berichts- oder Aktualisierungsdaten liefern noch keine verlässliche Zeitreihe der Nutzungsausweitung.

Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): Abschnitte zur cec-Anwendung und technischem Workflow; 08.09.2026: cec-Fall Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): When tools can't keep up; Human-in-the-loop; Projektbeschreibung B29; 19.02.2026: B29-Fall Quelle 19: Getting Started with Predictive Analytics in Construction, Fundstelle(n): BAM Ireland / Construction IQ im Anwendungsteil; BAM-Abschnitt Quelle 10: AI-powered solutions for infrastructure maintenance and construction processes, Fundstelle(n): Abschlussmeldung

Der praktische Einstieg kann eine begrenzte Datenlieferung für einen klaren Zweck sein. Verantwortliche legen Qualität, zulässige Nutzung und fachliche Abnahme fest. Schnittstellen, Berechtigungen, Daten- und Modellversionen verursachen laufende Pflege. Der Nutzen ist daher einschließlich Korrektur und Betrieb zu beurteilen.

Quelle 15: Data Spaces Blueprint 3.0, Fundstelle(n): Identity and Trust; Access and Usage Policies; Provenance; Governance framework Quelle 20: Data Act explained, Fundstelle(n): Kapitel II/III Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): Experimente und Fehleranalyse Quelle 6: Ishigaki-IDS: An Open-Weight Verifier-Aware Model for Information Delivery Specification Drafting in Building Information Modeling, Fundstelle(n): Benchmark und practitioner study Quelle 9: Building the future of construction analytics: CONXAI’s AI inference on Amazon EKS, Fundstelle(n): Scaling und Architektur; Architektur Quelle 17: Digital Integration in Construction: A Case Study on Common Data Environment Implementation for a Metro Line Project, Fundstelle(n): Evaluation; Diskussion Quelle 21: Towards a sociomaterial theory of interfacing AI data infrastructures, Fundstelle(n): Findings; Organisational interfaces Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): Human-in-the-loop Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): cec-Anwendung

Worauf es bei AI-Ready Construction: CDE, Datenplattformen und Datenräume fachlich ankommt

Formal gültig ist noch nicht fachlich richtig

Studien-/Praxisbefund

Höltgen und Kollegen vergleichen vier GPT- und Llama-Modelle in drei Mappingexperimenten mit vier Promptvarianten und jeweils 20 Läufen. Grundlage sind Infrastrukturdaten, ergänzte fiktive Objekte und eine begrenzte Ontologie. Trotz Syntaxprüfung und Selbstkorrektur bleiben falsche Verknüpfungen, erfundene Klassen sowie fehlende oder zusätzliche Inhalte.

Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): Abschnitte 4.2, 4.5, 5.2 und 6.2–6.4

Fachliche Einordnung

Der kontrollierte Vergleich macht konkrete Integrationsfehler prüfbar. Er ersetzt keinen Test mit vollständigen Projektdaten. Neben Formatvalidierung braucht die Zuordnung eine fachliche Referenz; ein korrekter Datenbankausdruck kann weiterhin den falschen Zusammenhang abbilden.

Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): Abschnitte 4.2, 4.5, 5.2 und 6.2–6.4

IDS-Entwürfe: bessere Form, verbleibende Bedeutungsfehler

Studien-/Praxisbefund

Die zusammengehörenden Ishigaki-Preprints prüfen 166 japanisch-englische Anforderungsfälle. Beim angepassten 8B-Modell steigt der Audit-Erfolg gegenüber dem Basismodell von 0,157 auf 0,651. Von 108 auditgültigen Ausgaben bleiben jedoch 65 unter einem semantischen Facet-F1 von 0,5; nur 14 stimmen unter der Bewertungsregel vollständig mit der Referenz überein.

Quelle 5: Ishigaki-IDS-Bench: A Benchmark for Generating Information Delivery Specification from BIM Information Requirements, Fundstelle(n): Abschnitte Dataset construction, Evaluation metrics; Tabelle 1; Limitations Quelle 6: Ishigaki-IDS: An Open-Weight Verifier-Aware Model for Information Delivery Specification Drafting in Building Information Modeling, Fundstelle(n): Tabelle 2; Abschnitte Training pipeline, Evaluation, Limitations; Human-in-the-loop practitioner study; Study limitations

Fachliche Einordnung

Sechs Praktiker benötigten in einer kleinen Übung einschließlich Korrektur zusammen 1.524 statt 3.365 Sekunden bis zum gleichen Prüfziel. Das ist ein begrenzter Assistenzbefund. Aufgabenreihenfolge und Editor-Erfahrung waren nicht vollständig ausgeglichen; unabhängige Replikation und Übertragung auf große reale Modellbestände bleiben offen.

cec: Bilder mit Projektkontext verbinden

Studien-/Praxisbefund

Telekom beschreibt im September 2026 einen eingesetzten Workflow bei cec Ingenieure nahe München. n8n verbindet eine mit Azure Custom Vision trainierte Bildklassifikation mit GPS-, Zeit- und Projektmetadaten. SharePoint und Power BI nehmen die strukturierten Informationen auf; zuvor mussten Fotos manuell zugeordnet werden.

Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): Abschnitte zur cec-Anwendung und technischem Workflow

Fachliche Einordnung

Das ist eine konkrete begrenzte Integration vorhandener Systeme. Der Anbieterbericht veröffentlicht weder Bildzahl und Fehlerrate noch einen gesicherten Einsatzbeginn oder vollständigen Freigabeprozess. Schnellere Zuordnung wird berichtet, ein übertragbarer Nettozeitgewinn einschließlich Nachprüfung damit nicht gemessen.

Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): Abschnitte zur cec-Anwendung und technischem Workflow

Viscan: Erfassung, Auswertung und Fachprüfung

Studien-/Praxisbefund

Der Viscan-Anwenderbericht beschreibt neun Bauwerke an der B29 in Baden-Württemberg. Scan- und Drohnendaten werden mit iTwin Capture und Orbit 3DM zusammengeführt und durch eigene KI-Verfahren für Objekte und Veränderungen ausgewertet. Fachleute vergleichen Pläne, prüfen und ergänzen die Ergebnisse.

Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): When tools can't keep up; Human-in-the-loop; Projektbeschreibung B29

Fachliche Einordnung

Die Datenkette verbindet technische Verarbeitung mit menschlicher Kontrolle. Die Quelle stammt aus einer Anbieter-/Anwenderkette und bietet keinen kontrollierten Nutzenvergleich. Viele Reality-Modelle sind keine entsprechende Zahl unabhängig validierter KI-Prozesse; berichtete Prozentvorteile werden nicht verallgemeinert.

Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): When tools can't keep up; Human-in-the-loop; Projektbeschreibung B29

CONXAI: Modellbetrieb ist eine eigene Aufgabe

Studien-/Praxisbefund

CONXAI und AWS dokumentieren für Baustellenbilder eine Inferenzarchitektur aus Speicherereignissen, Warteschlange und bereitgestellten Modellkomponenten. EKS, KServe und Triton übernehmen Betriebsaufgaben; ein OneFormer-Modell segmentiert Personen. Ressourcensteuerung und Kaltstarts werden als praktische Fragen behandelt.

Quelle 9: Building the future of construction analytics: CONXAI’s AI inference on Amazon EKS, Fundstelle(n): Solution overview; Model deployment; Scaling and cold start

Fachliche Einordnung

Die Betreiberbeschreibung zeigt, was zwischen Dateieingang und Ergebnis organisiert werden muss. Sie liefert keine unabhängige Verfügbarkeitsmessung oder belegte Zahl aktiver Baustellen. Startzeit einer Modellinstanz ist nicht die Verarbeitungslatenz eines Bildes; Bildbearbeitung allein ist auch kein Datenschutznachweis.

Quelle 9: Building the future of construction analytics: CONXAI’s AI inference on Amazon EKS, Fundstelle(n): Solution overview; Model deployment; Scaling and cold start

iECO und Construct-X: Integration und Demonstration

Studien-/Praxisbefund

Fraunhofer IVI berichtet 2025 den iECO-Abschluss mit elf Partnern sowie verbundenen Material- und Instandhaltungsfunktionen, darunter LSTM-basierte Prognosen. Construct-X formuliert im Oktober 2025 Ziele für Daten- und Sensorintegration. Ein späterer 8ra-Rückblick nennt einen Produktpassdemonstrator auf der Hannover Messe im April 2026.

Quelle 10: AI-powered solutions for infrastructure maintenance and construction processes, Fundstelle(n): Projektabschluss; SIMAP und COPRA Quelle 11: Construct-X: Fraunhofer IFF stärkt digitale Zusammenarbeit im Bauwesen, Fundstelle(n): Projektziele und Beiträge Fraunhofer IFF Quelle 12: 8ra at Hannover Messe 2026: Scaling the Multi-Provider Cloud-Edge Continuum, Fundstelle(n): Construct-X demonstration auf Hannover Messe 2026

Fachliche Einordnung

Projektabschluss und präsentierter Demonstrator sind konkrete Entwicklungsstände. Sie belegen weder einen sektoralen Regelbetrieb noch dieselbe vollständig geprüfte KI-Kette vor und nach der Entwicklung. Partnerzahlen, Förderung und Laufzeit sind keine Nutzungsnenner. Die Fortführung nach dem Projekt benötigt eigene Belege.

Anforderungen und Begriffe maschinenlesbar machen

Studien-/Praxisbefund

Die buildingSMART-Dokumentation beschreibt IDS für alphanumerische Informationsanforderungen an IFC-Modelle. bSDD-Referenzen verknüpfen Klassifikationen und Eigenschaften über versionierte Kennungen mit IDS und IFC. Damit lassen sich erwartete Angaben und verwendete Begriffe ausdrücken.

Quelle 13: Information Delivery Specification (IDS), Fundstelle(n): What is IDS?; FAQ und scope Quelle 14: Referencing bSDD in IDS and IFC, Fundstelle(n): Referencing bSDD in IDS and IFC; Mappingtabellen

Fachliche Einordnung

Diese Grundlagen erleichtern überprüfbare Informationslieferungen. Sie ersetzen keine geometrische Prüfung und entscheiden nicht allein, ob zwei Begriffe fachlich gleichwertig sind. Ein Standard oder eine dokumentierte Referenz ist zudem noch kein erfolgreich getesteter Austausch zwischen den eingesetzten Systemen.

Gebäudeübergreifende Prognose und Datenschutz unterscheiden

Studien-/Praxisbefund

Das PPTL-Autorenrepository beschreibt Transferprognosen für 89 Cambridge-Gebäude mit Ähnlichkeitsauswahl durch TS2Vec und TiDE. Die Prüfung hält jeweils ein Zielgebäude getrennt; historische Daten von 2009 dienen als Quelle, Anfang 2010 zur Anpassung und die folgenden zwei Monate zum Test. Identifikatoren werden vor zentraler Zusammenführung entfernt.

Quelle 16: Privacy-Preserving Transfer Learning (PPTL) – Autorenrepository, Fundstelle(n): README: Data, Experimental protocol, Framework

Fachliche Einordnung

Gelesen wurde das Autoren-README, nicht der unzugängliche Verlagsvolltext; der Code wurde nicht ausgeführt. Die Versuchsanordnung ist ein konkreter Transferansatz. Zentrale Datenzusammenführung ist jedoch kein föderiertes Lernen, und entfernte Kennungen beweisen keine formale Privatsphäre oder sichere Übertragung auf neue Portfolios.

Quelle 16: Privacy-Preserving Transfer Learning (PPTL) – Autorenrepository, Fundstelle(n): README: Data, Experimental protocol, Framework

CDE und Gebäudetechnik: Nutzung mit verbleibender Integrationsarbeit

Studien-/Praxisbefund

Lindholms schwedische Mehrfirmenstudie dokumentiert genutzte CDE-Funktionen für Zeichnungen, Modelle und Prüfungen. Eine Metro-Fallstudie beobachtet trotz mehrerer eingebundener Plattformen manuelle Übergaben und Metadatenprobleme. Eine weitere qualitative Untersuchung mit 17 Interviews beschreibt proprietäre Schnittstellen und unterschiedliche Klassifikationen zwischen IT und Gebäudetechnik.

Quelle 17: Digital Integration in Construction: A Case Study on Common Data Environment Implementation for a Metro Line Project, Fundstelle(n): Methodik S.7–11; Ergebnisse/Diskussion S.12–14 Quelle 18: Towards Integrated Planning of Information Exchanges in Construction Production, Fundstelle(n): Abschnitte 3.3, Druckseiten 22–24; 4.2, Druckseiten 31–34 Quelle 21: Towards a sociomaterial theory of interfacing AI data infrastructures, Fundstelle(n): Research methods; Findings zu infrastructural/organizational interfaces

Fachliche Einordnung

Die empirischen Arbeiten tragen abgegrenzte Praxisbefunde und konkrete Gegenbefunde. Sie sind keine gemeinsame Stichprobe und keine Vollbetriebsmessung einer KI-Datenkette. Ältere Feldjahre bleiben vom Publikationsdatum getrennt. Bestehende Nutzung entbindet neue Integrationen weder von Bedeutungsprüfung noch von Zuständigkeit und Pflege.

Datenräume brauchen technische und organisatorische Regeln

Studien-/Praxisbefund

Die europäische Datenraumübersicht und der DSSC-Blueprint beschreiben Austausch, Identität und Governance. Die offiziellen Data-Act-Erläuterungen behandeln Datenzugang und Dienstewechsel unter Schutzbedingungen. FIEC formuliert eine Branchenposition zu verantwortlicher KI-Nutzung; das Original ist auf den 22. Oktober 2025 datiert.

Quelle 2: Common European data spaces, Fundstelle(n): Overview, sectors und governance Quelle 15: Data Spaces Blueprint 3.0, Fundstelle(n): Identity and Trust; Access and Usage Policies Quelle 1: Data Act, Fundstelle(n): Connected products; cloud switching Quelle 20: Data Act explained, Fundstelle(n): Kapitel II/III und VI Quelle 3: Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership, Fundstelle(n): Titelseite S.1 und Verantwortung/Daten

Fachliche Einordnung

Daraus folgt keine automatische Nutzungs- oder Trainingsberechtigung für jede Datenlieferung. Zweck, Empfänger, Herkunft und zulässige Weiterverwendung sind konkret zu klären. Ein entzogener künftiger Zugriff macht bereits erfolgte Verarbeitung nicht rückgängig. Die Quellen liefern Rahmenbedingungen, keine geprüfte bauspezifische KI-Leistung.

Quelle 15: Data Spaces Blueprint 3.0, Fundstelle(n): Identity and Trust; Access and Usage Policies; Provenance Quelle 20: Data Act explained, Fundstelle(n): Kapitel II/III und VI

Warum AI-Ready Construction: CDE, Datenplattformen und Datenräume relevant ist

Reifegraderste Marktanwendung bis etablierte Anwendung

MR-04 bis MR-06 gilt für den bestehenden Infrastruktur- und Organisationszuschnitt. Benannte KI-Integrationen tragen erste Marktanwendung; regelmäßig genutzte, begrenzte CDE-Informationsfunktionen tragen die etablierte obere Grenze. Forschungs-Mapping, föderierte KI-Datenräume und durchgängige semantische Integration erreichen damit nicht automatisch denselben Stand.

Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): cec workflow Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): B29-Anwendung Quelle 18: Towards Integrated Planning of Information Exchanges in Construction Production, Fundstelle(n): 4.2

Evidenzbelastbare Praxis- oder Forschungsbelege

Kontrollierte Mappingversuche und empirische CDE-Implementierungsstudien liefern belastbare Befunde für begrenzte Funktionen und Integrationsprobleme. Das trägt EV-03 im vorhandenen Zuschnitt. Preprints, Betreiberberichte und Positionen ergänzen diese Grundlage mit anderen Beleggrenzen. Eine unabhängig geprüfte organisationsübergreifende Vollintegration oder allgemeine Wirtschaftlichkeit ist damit nicht nachgewiesen.

Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): Experimente und Fehleranalyse; Methodik/Ergebnisse Quelle 6: Ishigaki-IDS: An Open-Weight Verifier-Aware Model for Information Delivery Specification Drafting in Building Information Modeling, Fundstelle(n): Benchmark und practitioner study Quelle 9: Building the future of construction analytics: CONXAI’s AI inference on Amazon EKS, Fundstelle(n): Scaling und Architektur Quelle 17: Digital Integration in Construction: A Case Study on Common Data Environment Implementation for a Metro Line Project, Fundstelle(n): Evaluation; Methodik/Ergebnisse Quelle 18: Towards Integrated Planning of Information Exchanges in Construction Production, Fundstelle(n): 3.3/4.2

EntwicklungsdynamikAktive Weiterentwicklung

Semantische Zuordnung, prüfgestütztes Lernen und Datenintegration werden in mehreren konkreten Arbeitslinien weiterentwickelt.

Datierte Arbeiten zu Mapping, IDS-Erstellung und gebäudeübergreifendem Transfer sowie Projektintegration tragen aktive Weiterentwicklung. Die zwei Ishigaki-Preprints gehören zu einer Forschungsfamilie. Einzelne bessere Testwerte und neue Publikationen belegen noch keine Beschleunigung des gesamten Feldes.

Quelle 4: Utilizing large language models for semantic enrichment of infrastructure condition data: a comparative study of GPT and Llama models, Fundstelle(n): 2025: Mappingvergleich Quelle 6: Ishigaki-IDS: An Open-Weight Verifier-Aware Model for Information Delivery Specification Drafting in Building Information Modeling, Fundstelle(n): 2026: Lernpipeline/Ablation Quelle 16: Privacy-Preserving Transfer Learning (PPTL) – Autorenrepository, Fundstelle(n): 2026: README/Protokoll Quelle 10: AI-powered solutions for infrastructure maintenance and construction processes, Fundstelle(n): 2025 Abschluss Quelle 11: Construct-X: Fraunhofer IFF stärkt digitale Zusammenarbeit im Bauwesen, Fundstelle(n): 2025 Ziele

MarktdynamikBegrenzte Marktbewegung

Punktuelle Einführung und fortgesetzte Nutzung sind belegt; eine belastbar datierte Ausweitung bleibt im untersuchten Bestand offen.

cec, Viscan und BAM zeigen konkrete Anwendungen mit unterschiedlichen Funktionen. Berichts- und Seitenaktualisierungsdaten reichen jedoch nicht, um den Ausbau dieser Nutzung zeitlich zu bestimmen. MD-01 beschreibt die belegte punktuelle Bewegung; es ist weder eine Aussage über geringe Marktgröße noch über Rückgang. Demonstrationen und Projektabschlüsse zählen nicht als abgeschlossener Rollout.

Quelle 7: Smarter workflow in civil engineering: This photo organizes itself, Fundstelle(n): 08.09.2026: cec-Fall Quelle 8: How Viscan turned a failing reality capture workflow into a landmark success, Fundstelle(n): 19.02.2026: B29-Fall Quelle 19: Getting Started with Predictive Analytics in Construction, Fundstelle(n): BAM-Abschnitt Quelle 10: AI-powered solutions for infrastructure maintenance and construction processes, Fundstelle(n): Abschlussmeldung